Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
MODELADO DE LA MÁQUINA SÍNCRONA MEDIANTE REDES NEURONALES RENÉ ALEXANDER BARRERA CÁRDENAS UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE INGENIERÍAS FÍSICO – MECÁNICAS ESCUELA DE INGENIERÍA ELÉCTRICA ELECTRÓNICAY DE TELECOMUNICACIONES BUCARAMANGA 2010 MODELADO DE LA MÁQUINA SÍNCRONA MEDIANTE REDES NEURONALES RENÉ ALEXANDER BARRERA CÁRDENAS Tesis de grado para optar al título de Magister en Ingeniería Eléctrica Director HERMANN RAÚL VARGAS TORRES Doctor Ingeniero Electricista UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE INGENIERÍAS FÍSICO – MECÁNICAS ESCUELA DE INGENIERÍA ELÉCTRICA ELECTRÓNICAY DE TELECOMUNICACIONES BUCARAMANGA 2010 Índice general 1. Introducción 1 1.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3. Organización de la memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2. Generalidades 5 2.1. Análisis de la estabilidad de ángulo ante una gran perturbación en sistemas eléctri- cos de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2. Métodos de análisis para la simulación en el dominio del tiempo . . . . . . . . . . 7 2.2.1. Solución particionada con integración explícita . . . . . . . . . . . . . . . 8 2.2.2. Solución simultánea con integración implícita . . . . . . . . . . . . . . . . 9 2.3. Redes neuronales Artificiales - Perceptrón multicapa . . . . . . . . . . . . . . . . 11 2.3.1. Aspectos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.2. Estrategia básica de ajuste del MLP . . . . . . . . . . . . . . . . . . . . . 13 2.3.2.1. Selección de las entradas y extracción de las características . . . 13 2.3.2.2. Definición de los datos de entrenamiento . . . . . . . . . . . . . 13 2.3.2.3. Selección de la ANN . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2.4. Entrenamiento de la ANN . . . . . . . . . . . . . . . . . . . . . 13 2.3.2.5. Prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3. Redes Neuronales aplicadas al modelado de la máquina síncrona 15 3.1. Modelado de la máquina síncrona . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2. Métodos Tradicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3. Estimación de parámetros de la máquina síncrona . . . . . . . . . . . . . . . . . . 17 3.4. Representación de la dinámica de la máquina síncrona: modelo de caja negra . . . 19 3.5. Otras técnicas de inteligencia artificial empleadas en el mo-delado de la máquina síncrona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4. Modelo neuronal de la máquina síncrona para estudios de estabilidad 23 4.1. Modelo neuronal clásico de la máquina síncrona . . . . . . . . . . . . . . . . . . . 23 I ÍNDICE GENERAL II 4.1.1. Modelo clásico de la máquina síncrona . . . . . . . . . . . . . . . . . . . 23 4.1.2. Desarrollo del modelo neuronal clásico . . . . . . . . . . . . . . . . . . . 25 4.2. Modelo neuronal de quinto orden de la máquina síncrona . . . . . . . . . . . . . . 26 4.2.1. Modelo de quinto orden de la máquina síncrona . . . . . . . . . . . . . . . 27 4.2.2. Desarrollo del modelo neuronal de quinto orden . . . . . . . . . . . . . . . 28 4.3. Modelo neuronal de octavo orden de la máquina síncrona . . . . . . . . . . . . . . 33 4.3.1. Modelo de octavo orden de la máquina síncrona . . . . . . . . . . . . . . . 33 4.3.2. Desarrollo del modelo neuronal de octavo orden . . . . . . . . . . . . . . 33 4.4. Definición de la arquitectura del modelo neuronal . . . . . . . . . . . . . . . . . . 35 5. Pruebas y Resultados 41 5.1. Resultados obtenidos del modelo neuronal clásico . . . . . . . . . . . . . . . . . . 41 5.2. Resultados Obtenidos del modelo neuronal de quinto orden . . . . . . . . . . . . . 47 5.3. Resultados Obtenidos del modelo neuronal de octavo orden . . . . . . . . . . . . . 48 5.4. Caso de estudio: Efecto del sistema de excitación. . . . . . . . . . . . . . . . . . . 48 6. Conclusiones, aportaciones y sugerencias para posteriores desarrollos 62 6.1. Resumen y conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2. Aportaciones originales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 6.3. Sugerencias para posteriores desarrollos . . . . . . . . . . . . . . . . . . . . . . . 64 A. Modelo general de la máquina síncrona en el análisis de estabilidad transitoria 65 A.1. Representación de la máquina síncrona . . . . . . . . . . . . . . . . . . . . . . . 65 A.1.1. Ecuaciones de la dinámica de movimiento . . . . . . . . . . . . . . . . . . 66 A.1.2. Ecuaciones del circuito del rotor . . . . . . . . . . . . . . . . . . . . . . . 66 A.1.3. Ecuaciones de tensión del estator . . . . . . . . . . . . . . . . . . . . . . 67 A.1.4. Saturación magnética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 A.2. Representación del sistema de excitación . . . . . . . . . . . . . . . . . . . . . . . 71 Bibiliografía 74 Índice de figuras 2.1. Red Neuronal típica con una capa oculta . . . . . . . . . . . . . . . . . . . . . . . 12 3.1. Estimación de parámetros de la máquina síncrona. . . . . . . . . . . . . . . . . . . 18 3.2. Esquema empleado en [Park et al., 2002] para la identificación en linea de la dinámica no lineal del generador síncrono . . . . . . . . . . . . . . . . . . . . . . 20 4.1. Modelo clásico de la máquina síncrona . . . . . . . . . . . . . . . . . . . . . . . . 24 4.2. Red neuronal artificial propuesta para el modelo neuronal clásico . . . . . . . . . . 26 4.3. Circuito equivalente de la máquina síncrona despreciando el efecto de los polos salientes en el periodo subtransitorio. . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.4. Circuito propuesto para la representación de la máquina síncrona . . . . . . . . . . 28 4.5. Esquema de excitación AVR simplificado como modelo tipo caja negra . . . . . . 29 4.6. Red Neuronal propuesta para el modelo neuronal de quinto y octavo orden de la máquina síncrona. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4.7. Red Neuronal propuesta para el sistema de excitación AVR . . . . . . . . . . . . . 32 4.8. Modelo Neuronal de Quinto Orden Completo (Máquina + AVR) . . . . . . . . . . 32 4.9. Esquema de excitación AVR y PSS simplificado como modelo tipo caja negra . . . 33 4.10. Red Neuronal propuesta para el sistema de excitación AVR con PSS . . . . . . . . 36 4.11. Modelo Neuronal de Octavo Orden Completo (Máquina + AVR con PSS) . . . . . 36 4.12. Desempeño de las arquitecturas del modelo neuronal clásico . . . . . . . . . . . . 38 4.13. Velocidad de convergencia del modelo Neuronal Clásico . . . . . . . . . . . . . . 39 4.14. Desempeño arquitecturas modelo neuronal de quinto orden . . . . . . . . . . . . . 39 4.15. Desempeño arquitecturas modelo neuronal de octavo orden . . . . . . . . . . . . . 40 5.1. Sistema de una máquina conectado a una barra infinita . . . . . . . . . . . . . . . 41 5.2. Desempeño del Modelo Neuronal Clásico ante las diferentes épocas de entrenamiento 43 5.3. Comparación de la estimación del Ángulo del rotor para un caso estable (Modelo Clásico) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.4. Detalle de la comparación de la estimación del Ángulo del rotor para un caso es- table (Modelo Clásico) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 III ÍNDICE DE FIGURAS IV 5.5. Comparación de la estimación del Ángulo del rotor para un caso críticamente es- table (Modelo Clásico) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.6. Detalle de la comparación de la estimación del Ángulo del rotor para un caso críti- camente estable (Modelo Clásico) . . . . .. . . . . . . . . . . . . . . . . . . . . 45 5.7. Comparación de la estimación del Ángulo del rotor para un caso inestable (Modelo Clásico) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.8. Detalle de la comparación de la estimación del Ángulo del rotor para un caso in- estable (Modelo Clásico) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.9. Ángulo del rotor. Despeje de falla 20 [ms]. . . . . . . . . . . . . . . . . . . . . . . 49 5.10. Tensión en terminales. Despeje de falla 20 [ms]. . . . . . . . . . . . . . . . . . . . 50 5.11. Tensión de excitación. Despeje de falla 20 [ms]. . . . . . . . . . . . . . . . . . . . 50 5.12. Potencia Activa. Despeje de falla 20 [ms]. . . . . . . . . . . . . . . . . . . . . . . 51 5.13. Ángulo del rotor. Despeje de falla 60 [ms]. . . . . . . . . . . . . . . . . . . . . . . 51 5.14. Tensión en terminales. Despeje de falla 60 [ms]. . . . . . . . . . . . . . . . . . . . 52 5.15. Tensión de excitación. Despeje de falla 60 [ms]. . . . . . . . . . . . . . . . . . . . 52 5.16. Potencia Activa. Despeje de falla 60 [ms]. . . . . . . . . . . . . . . . . . . . . . . 53 5.17. Ángulo del rotor. Despeje de falla 30 [ms]. . . . . . . . . . . . . . . . . . . . . . . 53 5.18. Tensión en terminales. Despeje de falla 30 [ms]. . . . . . . . . . . . . . . . . . . 54 5.19. Potencia activa. Despeje de falla 30 [ms]. . . . . . . . . . . . . . . . . . . . . . . 54 5.20. Tensión de excitación. Despeje de falla 30 [ms]. . . . . . . . . . . . . . . . . . . . 55 5.21. Ángulo del rotor. Despeje de falla 80 [ms]. . . . . . . . . . . . . . . . . . . . . . . 55 5.22. Tensión en terminales. Despeje de falla 80 [ms]. . . . . . . . . . . . . . . . . . . . 56 5.23. Potencia activa. Despeje de falla 80 [ms]. . . . . . . . . . . . . . . . . . . . . . . 56 5.24. Tensión de excitación. Despeje de falla 80 [ms]. . . . . . . . . . . . . . . . . . . . 57 5.25. Comparación Ángulo del Rotor para los diferentes sistemas de Excitación. a) Mod- elos neuronales. b) Figura E13.7(a) de [Kundur, 1994] . . . . . . . . . . . . . . . 58 5.26. Comparación: Potencia Activa para los diferentes sistemas de Excitación. a) Mod- elos neuronales. b) Figura E13.7(b) de [Kundur, 1994] . . . . . . . . . . . . . . . 59 5.27. Comparación: Tensión en Terminales para los diferentes sistemas de Excitación. a) Modelos neuronales. b) Figura E13.7(c) de [Kundur, 1994] . . . . . . . . . . . . . 60 5.28. Comparación: Tensión de Excitación para los diferentes sistemas de Excitación. a) Modelos neuronales. b) Figura E13.7(d) de [Kundur, 1994] . . . . . . . . . . . . . 61 A.1. Circuito amortiguador equivalente del eje directo . . . . . . . . . . . . . . . . . . 66 A.2. Circuito amortiguador equivalente de eje en cuadratura . . . . . . . . . . . . . . . 66 A.3. Característica de Saturación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 A.4. Sistema de excitación con AVR y PSS . . . . . . . . . . . . . . . . . . . . . . . . 72 A.5. Sistema de excitación Regulador de Voltaje Automático (AVR) . . . . . . . . . . . 73 Lista de tablas 4.1. Definición de la Arquitectura de los modelos neuronales propuestos. . . . . . . . . 39 5.1. Parámetros del generador - Modelo de quinto orden . . . . . . . . . . . . . . . . . 48 5.2. Parámetros del sistema de excitación con AVR . . . . . . . . . . . . . . . . . . . . 48 5.3. Parámetros del generador - Modelo octavo orden . . . . . . . . . . . . . . . . . . 48 5.4. Parámetros del sistema de excitación con AVR con PSS . . . . . . . . . . . . . . . 48 V RESUMEN TITULO: MODELADO DE LA MÁQUINA SÍNCRONA MEDIANTE REDES NEURONALES* AUTOR: RENE ALEXANDER BARRERA CARDENAS** PALABRAS CLAVES: Máquina Síncrona, Estabilidad transitoria, estabilidad de ángulo, redes neuronales artificiales (RNA), perceptron multicapa. DESCRIPCION: En este trabajo de grado se proponen modelos de regresión neuronal, de tipo caja negra, que repliquen el comportamiento de los modelos de la máquina síncrona, basados en ecuaciones de Park, que se utilizan en el estudio de estabilidad transitoria de ángulo ante grandes perturbaciones. Para la implementación de los modelos de regresión neuronal se utilizan redes neuronales del tipo perceptron multicapa (MLP). Los registros obtenidos de simulaciones en el dominio del tiempo realizados sobre un sistema de potencia básico (generador conectado a un barraje infinito), son usados para crear una base de datos de entrenamiento y posteriormente validar la metodología basada en redes neuronales artificiales propuesta para la estimación de las principales variables de la máquina síncrona. Se presentan funciones de regresión para tres modelos de la máquina síncrona: el modelo clásico, un modelo de quinto orden que incluye un regulador de voltaje automático (AVR) como sistema de excitación y un modelo de octavo orden equipado con un sistema de excitación del tipo AVR con sistema estabilizador de potencia (PSS). Según los resultados obtenidos, los modelos neuronales presentan una alta adaptación al modelo clásico de la máquina síncrona y una adaptación aceptable a los modelos de orden superior, lo cual muestra la validez de la estrategia, su posible uso para estudios de estabilidad sobre la máquina síncrona y la posibilidad de adaptar otras de técnicas de inteligencia artificial más elaboradas con el fin de obtener un mejor ajuste de los modelos neuronales. * Proyecto de Grado Maestría **Facultad de Ingenierías Físico-Mecánicas. Escuela de Ingeniería Eléctrica, Electrónica y Telecomunicaciones. Dr. Hermann Raúl Vargas Torres. ABSTRACT TITLE: SYNCHRONOUS MACHINE MODELING USING NEURAL NETWORKS* AUTHOR: RENE ALEXANDER BARRERA CARDENAS** KEY WORDS: Synchronous machine, transient stability, angle stability, artificial neural networks (ANNs), multilayer perceptron DESCRIPCION: In this paper grade is proposed neural regression models, black box, that replicate the behavior of the synchronous machine models, based on Park's equations, which are used in the study of transient angle stability to large perturbations. To implement neural regression models are used neural networks of multilayer perceptron (MLP). Records obtained from simulations in the time domain performed on a basic power system (generator connected to an infinite busbar) are used to create a database of training and further validate the methodology based on artificial neural networks proposed for estimating the main variables of the synchronous machine. Regression functions are presented for three models of the synchronous machine: the classical model, a fifth-order model that includes an automatic voltage regulator (AVR) and excitation system and an eighth order model equipped with a type excitation system AVR with power system stabilizer (PSS). According to the results, the neural models show a high adaptation to the classic model of the synchronous machine and an acceptable adjustment to the higher-order models, which shows the validity of the strategy, its possible use for stability studies on the synchronous machine and the possibility of adapting other techniques more sophisticated artificial intelligence in order to obtain a better fit of neural models. * Degree project **Faculty of Physical-Mechanical Engineering. School of Electrical Engineering, Electronics and Telecommunications. Hermann Raúl Vargas Torres.. Capítulo 1 Introducción En este capítulo inicial, se presenta la temática a abordar en esta tesis, así como los objetivos de la misma. También se describe la organización del texto. 1.1. Planteamiento del problema Las máquinas síncronas son ampliamente utilizadas en el sector industrial y juegan un papel muy importante en la estabilidad de los sistemas de potencia. Un modelo apropiado para la máquina síncrona es esencialpara un análisis válido de estabilidad y funcionamiento dinámico del sistema. Casi ocho décadas después de la primera publicación en esta área [Kilgore, 1931; Wright, 1931], el tema aun sigue siendo una materia de investigación atractiva y desafíante. Muchos modelos de la máquina síncrona han sido desarrollados a través de los años emplean- do diversas aproximaciones y enfoques para soslayar principalmente la sobrecarga computacional asociada a la compleja dinámica y no linealidad inherentes a la representación a gran escala. Pro- bablemente el modelo más simple disponible de la máquina síncrona empleado para estudios de estabilidad[Grainger y Stevenson, 1995; Kundur, 1994], es el que describe una sola máquina sín- crona conectada a una barra infinita, basado en la ecuación de oscilación, utilizando el ángulo de oscilación y la velocidad del rotor como variables de estado. Un modelo de descomposición de flujo, el cual incluye una o más variables de estado, adicionalmente a las variables de estado empleadas en la ecuación de oscilación, fue ampliamente utilizado por [DeMarco y Qian, 1986]. Sin embargo, cuando es necesario un incremento en la complejidad de la representación, común- mente se utiliza un modelo de cinco o siete variables de estado para una máquina síncrona trifásica. [Fitzgerald et al., 1990] El comportamiento del sistema se puede determinar por dos conjuntos de ecuaciones, uno co- rresponde con la dinámica de las máquinas del sistema y se define por ecuaciones diferenciales, el otro corresponde con la interconexión de los elementos de la red definido por ecuaciones al- gebráicas no lineales. Los dos conjuntos de ecuaciones (diferenciales asociadas a los elementos 1 1.1 Planteamiento del problema 2 dinámicos y algebraicas asociadas a la red) forman un sistema algebraico-diferencial de primer orden. Este debe ser resuelto a partir de unas condiciones iniciales para obtener la respuesta en el tiempo del sistema. El análisis de gran perturbación es complejo desde el punto de vista com- putacional debido a los grandes sistemas de ecuaciones que deben ser resueltos utilizando pasos de tiempo pequeños para evitar errores y problemas de estabilidad numérica. El número de ecuaciones diferenciales (estados) utilizadas para describir la dinámica de cada generador puede ser de hasta varias decenas (generalmente se utiliza un mínimo de 2), dependiendo del modelo empleado para la máquina misma y sus controles. El acoplamiento de cada generador con la red se representa por medio de ecuaciones algebraicas que describen condiciones de frontera. La representación de la red por medio de ecuaciones algebraicas es posible debido a que se desprecia el efecto de los tran- sitorios electromagnéticos (tanto en el sistema de transmisión como en el estator de las máquinas) cuya dinámica es más rápida que la de los transitorios electromecánicos de interés en estudios de estabilidad transitoria de ángulo. Se supone que la red pasa de un estado estacionario a otro en una evolución cuasiestática. La validez de tales suposiciones se justifica con base en la comparación de los resultados obtenidos en las simulaciones con los monitoreados durante perturbaciones en sistemas reales. [Sierra, 2003; Sierra, 2007; Kundur, 1994] El número de ecuaciones del sistema algebraico-diferencial es generalmente grande y muy dis- perso (cuasi-vacío). Por ejemplo, si hay 15 ecuaciones diferenciales por cada generador y 2 ecua- ciones por barra (debido a que las tensiones y corrientes son fasores y las partes real e imaginaria son separadas para resolver las ecuaciones) entonces un sistema con 2000 barras y 300 generadores genera un sistema de 8500 ecuaciones, 4500 ecuaciones diferenciales ordinarias no lineales de primer orden y 4000 ecuaciones algebraicas no lineales.[Sierra, 2007] Modelos simples de la máquina son buenos para propósitos de análisis académico pero no lo suficientemente exactos para predecir el desempeño de la máquina en aplicaciones reales para propósitos de control y evaluación de estabilidad en sistemas de potencia. En tales situaciones, las no linealidades en la máquina, a causa de los efectos de saturación y flujo ligado, deben ser inclui- dos en el modelo de la máquina [Anderson y Fouad, 1997; Kundur, 1994]. Estudios más completos sobre las propiedades de la máquina síncrona, los cuales detallan el modelo de los excitadores, proporcionan modelos más completos y complicados que están siendo cada vez más desarrolla- dos para proveer una representación cada vez más exacta. Desafortunadamente, a medida que la complejidad en los modelos aumenta, estos se hacen inapropiados para aplicaciones en línea y en tiempo real.[yuen Chow y Thomas, 1989] Uno de los métodos convencionales para la evaluación de estabilidad transitoria de ángulo es la simulación numérica en el dominio del tiempo. Este método consiste en la simulación del com- portamiento del sistema de potencia, durante y después de una falla, para una perturbación dada, observando la oscilación del ángulo electromecánico durante unos pocos segundos. Se utiliza para estimar el estado de estabilidad y proporcionar información detallada de la operación de sistemas fallados como punto de referencia. Sin embargo, el método de simulación no es práctico para la 1.2 Objetivos 3 evaluación de estabilidad transitoria de ángulo online principalmente por su alto consumo de tiem- po computacional. El método directo es otra estrategia comúnmente utilizada para la evaluación de estabilidad transitoria de ángulo, el cual reemplaza la integración numérica del sistema de ecuaciones después de la falla por un criterio de estabilidad [Pavella et al., 2000]. Aunque es atractivo para la evaluación de estabilidad transitoria de ángulo, la función que debe encontrarse para definir el criterio de estabilidad presenta un gran reto y adicionalmente este método siempre tiende a dar resultados conservadores, lo cual hace a este método deficiente. Dadas las limitaciones en el dominio del tiempo y el método directo, surge gran interés en buscar otras alternativas. La existencia de aplicaciones basadas en técnicas de inteligencia artificial para problemas del sector eléctrico fue un punto de referencia para esta investigación[Barrera et al., 2007a; Mora, 2006; Morales y Gómez, 2005; Morales et al., 2006; Morales et al., 2009; Morales et al., 2007b; Park et al., 2005; Ye et al., 2006; Barrera et al., 2007b; Morales et al., 2007a]. La idea de las redes neuronales originada en la década de los cuarenta, ha sido ampliamente empleada en aplicaciones industriales y mas específicamente en el modelado de la máquina síncrona demostran- do que son una alternativa viable para la solución del problema en cuanto a exigencia computacional como también complejidad del modelo [yuen Chow y Thomas, 1989; Teeuwsen et al., 2004]. Esta investigación, plantea y estudia el uso de esta metodología, basada en aprendizaje supervisado, para la representación del modelo de la máquina síncrona y su aplicación en la evaluación de estabilidad transitoria de ángulo de sistemas de potencia, mostrando que es una alternativa viable para aplica- ciones en tiempo real, con el objeto de proveer métodos que permitan al administrador del sistema eléctrico evaluar posibles condiciones de inestabilidad y poder aplicar los correctivos necesarios a tiempo.[Park et al., 2005] 1.2. Objetivos El objetivo general de este trabajo de grado es emplear redes neuronales para representar el modelo de la máquina síncrona, basado en ecuaciones de Park, que se utiliza en estudios de esta- bilidad transitoria. Para llevar a cabo el objetivo general relacionado con el modelado de la máquina síncrona para estudios de estabilidad transitoria de ángulo, se proponen los siguientes objetivos específicos: Definir y entrenar una red neuronal que replique el modelo clásico de la máquina síncrona. Reproducir el comportamiento del modelo de quinto orden de la máquinasíncrona con redes neuronales. Reproducir el comportamiento del modelo de octavo orden de la máquina síncrona con redes neuronales. 1.3 Organización de la memoria 4 Aplicar los modelos de la máquina síncrona hallados con redes neuronales al estudio de estabilidad de gran perturbación de sistemas de potencia con cargas constantes. 1.3. Organización de la memoria El texto está organizado en 6 capítulos y un apéndice. El capítulo 2 pretende contextualizar al lector dentro del marco de referencia de esta investigación, detalla el fenómeno de estabilidad transitoria de ángulo, la simulación en el dominio del tiempo y especificaciones de la técnica de inteligencia artificial basada en redes neuronales utilizada en esta investigación. El capítulo 3 revisa trabajos referentes al empleo de la redes neuronales en la representación de la dinámica no lineal de la máquina síncrona en el sector eléctrico. El capítulo 4 detalla la metodología propuesta para la adaptación de redes neuronales al estudio de estabilidad transitoria de ángulo. El capítulo 5 presenta los resultados numéricos obtenidos con la metodología propuesta y los compara con los obtenidos con un paquete de simulación empleado para el estudio de estabilidad transitoria, también se incluye un pequeño análisis de tales resultados. El capítulo 6 expone las conclusiones y aportaciones de este trabajo de grado y algunas su- gerencias para posteriores desarrollos. Finalmente, el texto se complementa con el apéndice A, que especifica en detalle los modelos de la máquina síncrona mapeados por la red neuronal. Capítulo 2 Generalidades El objetivo del presente capítulo es revisar los conceptos básicos asociados al contexto de esta investigación, en primer lugar se define el fenómeno de estabilidad de gran perturbación de sis- temas eléctricos de potencia y los métodos de análisis que se utilizan en el dominio del tiempo; finalmente se presentan las características básicas de la técnica de inteligencia artificial empleada en este trabajo de investigación. 2.1. Análisis de la estabilidad de ángulo ante una gran pertur- bación en sistemas eléctricos de potencia Los sistemas eléctricos de potencia han presentado un gran desarrollo en los últimos años de- bido al crecimiento de la población y a la necesidad de brindar un servicio eficiente y de mejor calidad. Los generadores síncronos no han sido ajenos a esta evolución, teniendo en cuenta que desempeñan un papel importante dentro del sistema. Razón por la cual, ha sido necesario estudiar su comportamiento bajo operación en estado estable y transitorio, a través de modelos apropiados para la máquina, con el fin de realizar análisis validos de estabilidad. Casi ocho décadas después de la primera publicación en esta área el tema aun sigue siendo una atractiva y desafíante materia de investigación [Kilgore, 1931; Wright, 1931]. El análisis de gran perturbación estudia la respuesta de los elementos dinámicos del sistema de potencia (generadores, cargas, elementos de compensación dinámicos, enlaces de corriente con- tinua,etc) y la variación de las diferentes magnitudes de la red (tensiones, flujos por las líneas, frecuencia, etc) ante la ocurrencia de perturbaciones severas y repentinas tales como cortocircuitos, pérdidas de generación ó pérdidas de carga. Bajo condiciones normales de operación, un sistema eléctrico de potencia se encuentra casi en equilibrio, experimenta sólo desviaciones menores cau- sadas por variaciones pequeñas, casi continuas, en la demanda. Cuando una perturbación severa y repentina tiene lugar, hay cambios casi instantáneos en las condiciones iniciales. La respuesta del sistema a este tipo de eventos está altamente influenciada por su carácter no lineal e involucra 5 2.1 Análisis de la estabilidad de ángulo ante una gran perturbación en sistemas eléctricos de potencia 6 grandes variaciones en los ángulos de los rotores y otras magnitudes del sistema. El análisis de gran perturbación es primordial dentro de los estudios de estabilidad durante la operación y planeación de sistemas eléctricos de potencia. En las últimas décadas los avances en la teoría de control, métodos numéricos y herramientas computacionales han permitido la elaboración de programas muy poderosos que hacen posible el análisis de sistemas de gran dimensión y poseen capacidad para modelar detalladamente todos los elementos dinámicos del sistema. Los problemas de estabilidad de gran perturbación han sido solucionados a través del uso de sistemas de protección rápidos,confiables y selectivos, sistemas de excitación rápidos y de elevadas ganancias, condensadores en serie y otras técnicas especiales. Como se mencionó anteriormente, la instalación de sistemas de excitación rápidos y de elevadas ganancias mejora la estabilidad de gran perturbación, pero introduce un amortiguamiento negativo a las oscilaciones electromecánicas, lo que puede causar inestabilidad de tipo oscilatorio. Este problema ha sido mitigado con el uso de estabilizadores del sistema de potencia, que son controles auxiliares incluidos en el sistema de ex- citación con el objeto de amortiguar las oscilaciones regulando la tensión de campo y produciendo con ello un torque electromagnético en fase con la desviación de velocidad rotórica. El desempeño de los diversos controles del sistema ante grandes perturbaciones se evalúa mediante la simulación en el dominio del tiempo, esto permite hacer reajustes si se necesitan, con el fin de mejorar la respuesta del sistema. [Koester et al., 1992; Kundur, 1985; Kundur, 1994] La estabilidad de gran perturbación está incluida dentro de la categoría más general de esta- bilidad de ángulo. El estudio de la estabilidad de ángulo de un sistema eléctrico de potencia tiene como objetivo principal determinar si ante la ocurrencia de una perturbación los generadores del sistema permanecen en sincronismo. La estabilidad de gran perturbación también está dentro de la categoría de análisis de corto plazo, debido a que las dinámicas que influyen en la respuesta del sistema en el período de tiempo de interés así́ lo determinan; estas dinámicas son las de los circuitos del rotor y los controles de los generadores (sistema de excitación y sistema de regulación carga - velocidad y turbina). Un sistema eléctrico de potencia es un sistema dinámico con un alto grado de no linealidad, de manera que su respuesta ante la ocurrencia de una perturbación grande no puede determinarse mediante la linealización de las ecuaciones que describen su comportamiento. Tales ecuaciones deben resolverse iterativamente a partir de condiciones iniciales, mediante métodos numéricos para poder determinar con exactitud la respuesta del sistema. Sólo mediante este procedimiento puede hallarse la evolución en el tiempo de los ángulos de los rotores de las máquinas y por ende si permanecen en sincronismo. Adicionalmente, se puede hallar la evolución en el tiempo de otras magnitudes del sistema tales como tensiones, flujos, corrientes, etc. El comportamiento de cada generador y demás elementos dinámicos puede ser modelado en el espacio de estados por medio de ecuaciones diferenciales: py = f(y,z) (2.1) 2.2 Métodos de análisis para la simulación en el dominio del tiempo 7 En esta ecuación y en el resto del documento el símbolo p denota la derivada de una cantidad con respecto al tiempo; el vector y es el vector de estado y el vector z incluye otras variables del sistema (generalmente la tensión en terminales del elemento). Sin embargo, hay una gran cantidad de generadores y elementos dinámicos distribuidos en todo el sistema e interconectados a través de la red de transporte, modelada por medio de ecuaciones algebráicas no lineales de la forma: 0 = g(y,z) (2.2) Los dos conjuntos de ecuaciones (diferenciales asociadas a los elementos dinámicos y alge- braicas asociadas a la red) forman un sistema algebraico-diferencial de primer orden, este debe ser resuelto a partir deunas condiciones iniciales para obtener la respuesta en el tiempo del sis- tema. El análisis de gran perturbación es complejo desde el punto de vista computacional debido a los grandes sistemas de ecuaciones que deben ser resueltos utilizando pasos de tiempo pequeños para evitar errores y problemas de estabilidad numérica. El número de ecuaciones diferenciales (estados) utilizadas para describir la dinámica de cada generador puede ser de hasta varias dece- nas (generalmente se utiliza un mínimo de 2), dependiendo del modelo empleado para la máquina misma y sus controles. El acoplamiento de cada generador con la red se representa por medio de ecuaciones algebraicas que describen condiciones de frontera. La representación de la red por medio de ecuaciones algebraicas es posible debido a que se desprecia el efecto de los transitorios electromagnéticos (tanto en el sistema de transmisión como en el estator de las máquinas) cuya dinámica es más rápida que la de los transitorios electromecánicos de interés en estudios de esta- bilidad. Se supone que la red pasa de un estado estacionario a otro en una evolución cuasiestática. La validez de tales suposiciones se justifica con base en la comparación de los resultados obtenidos en las simulaciones con los monitoreados durante perturbaciones en sistemas reales. [Sierra, 2003; Sierra, 2007; Kundur, 1994] 2.2. Métodos de análisis para la simulación en el dominio del tiempo Numerosos algoritmos han sido propuestos en la literatura para solucionar las ecuaciones aso- ciadas al sistema, entre estos tenemos métodos basados en programación paralela, técnicas de rela- jación y otros. Estos algoritmos deben ser aplicados de tal forma que se aprovechen las característi- cas de las ecuaciones del sistema para mejorar la eficiencia computacional. Un aspecto importante es la velocidad con que se realicen las simulaciones, el impacto de las simulaciones en tiempo real o inclusive más rápidas sobre la operación del sistema es invaluable. La velocidad depende tanto del hardware como de la eficiencia del algoritmo empleado en la solución [Koester et al., 1992]. A continuación se describen dos métodos que han sido ampliamente utilizados [Kundur, 1994]. Las 2.2 Métodos de análisis para la simulación en el dominio del tiempo 8 ecuaciones del sistema son expresadas de la siguiente forma: px = f(x,v) (2.3) i(x,v) = Yv (2.4) con unas condiciones iniciales (x0,v0) , donde x = vector de estado del sistema v = vector de componentes real e imaginaria de tensiones de barra del sistema i = vector de componentes real e imaginaria de corrientes de barra del sistema Y =matriz de la red del sistema, similar en estructura a la matriz admitancia de barras 2.2.1. Solución particionada con integración explícita En este método las ecuaciones diferenciales y algebraicas se resuelven separadamente. Al inicio se tienen unas condiciones iniciales consistentes con el sistema de ecuaciones de tal forma que las derivadas de las variables de estado valen cero, f(x,v) = 0, y el sistema está en un estado de equilibrio (estado estable). Al ocurrir una perturbación, el valor del vector x no puede cambiar repentinamente, las ecuaciones algebraicas se resuelven primero para hallar v, i y otras variables de interés justo después de ocurrida la perturbación. Con este nuevo valor del vector v y el valor inicial de x se puede calcular el nuevo valor de f(x,v) (vector de las derivadas de las variables de estado) y utilizarlo para hallar el valor del vector de estado en el primer paso de tiempo x1. A su vez este vector se utiliza para calcular los nuevos valores de tensiones v1 por medio de la solución de las ecuaciones algebraicas. A partir de estos últimos el proceso se repite hasta completar el tiempo de si-mulación. Cuando ocurre una perturbación sólo las variables de la red cambian instantáneamente, las variables de estado conservan su valor. Este método requiere el uso de técnicas para resolver sistemas de ecuaciones diferenciales y sistemas de ecuaciones algebraicas no lineales. Los métodos de integración explícita tradicionalmente utilizados para resolver ecuaciones dife- renciales son : 1. Método de Euler 2. Método de Euler Modificado 3. Métodos de Runge - Kutta de primer orden y de orden superior Estos métodos son fáciles de implementar para la solución de sistemas de ecuaciones diferenciales complejos, sin embargo, tienen limitaciones de estabilidad numérica. Por lo tanto, el tamaño del paso de integración está limitado por las constantes de tiempo más pequeñas del sistema aún cuando los modos más rápidos se han amortiguado. Entre más detallados sean los modelos del sistema, el 2.2 Métodos de análisis para la simulación en el dominio del tiempo 9 problema es más crítico. Entre estos métodos, los más utilizados en programas de estabilidad por sus características son los métodos de Runge - Kutta de orden superior. De otro lado, para resolver las ecuaciones no lineales de la red se utilizan métodos como: 1. Método de Gauss-Seidel 2. Método de Newton - Raphson Un análisis detallado de estos métodos puede encontrarse en [Chapra y Canale, 1996]. Debido a que la solución de las ecuaciones diferenciales sólo requiere el uso de valores del instante de tiempo anterior, estas pueden ser particionadas de diferente forma, lo que permite la fácil imple- mentación de técnicas para mejorar la eficiencia del algoritmo. El método de solución particionada con integración explicita ofrece ventajas tales como flexibilidad en la programación, simplicidad y robustez. Su principal desventaja es que puede presentar problemas de estabilidad numérica de- pendiendo de los auto-valores del sistema, lo que hace necesario utilizar pasos pequeños de tiempo durante todo el intervalo de simulación. 2.2.2. Solución simultánea con integración implícita En este método las ecuaciones diferenciales y algebraicas se resuelven simultáneamente en cada paso de tiempo. Las ecuaciones diferenciales son convertidas a ecuaciones algebraicas utilizando un método de integración implícito. Según [Kundur, 1994], La base para estos métodos es la siguiente: Si se tiene una ecuación diferencial de la forma: px = f (x, t) (2.5) con x =x0 para t = t0. La solución para t = t1 se puede hallar como: x1 = x0 + ∫ t1 t0 f (x,τ)dτ (2.6) La integral puede ser evaluada utilizando funciones de interpolación que pasen por los puntos (x0,t0) y (x1,t1). El método de integración implícito más sencillo utiliza interpolación lineal para hallar el valor de la integral, este método se conoce con el nombre de regla trapezoidal. La ecuación queda de la siguiente forma : x1 = x0 + Δt 2 [ f (x0, t0)+ f (x1, t1) ] (2.7) Para el caso general : xn+1 = xn + Δt 2 [ f (xn, tn)+ f (xn+1, tn+1) ] (2.8) 2.2 Métodos de análisis para la simulación en el dominio del tiempo 10 En esta ecuación el valor de x en un instante está en función de su valor en ese instante y de su valor en el paso anterior, por lo tanto para conocer el nuevo valor debe resolverse una ecuación implícita. La regla trapezoidal es un método que presenta buenas características desde el punto de vista de la estabilidad numérica. Si se emplean pasos de tiempo relativamente grandes, se afecta la exactitud de la solución (los modos más rápidos son filtrados) pero no su estabilidad. La regla trapezoidal es un método implícito de segundo orden, se han desarrollado métodos de orden superior, sin embargo su aplicación a las simulaciones en sistemas eléctricos de potencia no se ha popularizado debido a la dificultad en la programación y a que son más susceptibles a problemas de estabilidad. Las ecuaciones dinámicas del sistema (conjunto de ecuaciones 2.3) son un conjunto de ecua- ciones diferenciales de primer orden. Si xn y vn son los valores del vector de estado y del vector de tensiones en t = tn, aplicando la regla trapezoidal para hallar xn+1: xn+1 = xn + Δt 2 [f(xn+1,vn+1)+ f(xn,vn) ] (2.9) Para t = tn+1 también deben satisfacerselas ecuaciones de red: i(xn+1,vn+1) = Yvn+1 (2.10) Si se definen los vectores F y G como: F(xn+1,vn+1) = xn+1−xn− Δt 2 [f(xn+1,vn+1)+ f(xn,vn) ] (2.11) G(xn+1,vn+1) = Yvn+1− i(xn+1,vn+1) (2.12) los valores desconocidos xn+1 y vn+1 deben satisfacer la condición: F(xn+1,vn+1) = 0 (2.13) G(xn+1,vn+1) = 0 (2.14) Las ecuaciones (2.13) y (2.14) son ecuaciones algebraicas no lineales. Estas ecuaciones son muy dispersas, característica que puede ser aprovechada para mejorar la eficiencia del algoritmo utilizado. Aplicando el método de Newton para solucionar estas ecuaciones: [ xk+1n+1 vk+1n+1 ] = [ xkn+1 vkn+1 ] + [ Δxkn+1 Δvkn+1 ] (2.15) Los valores de Δxkn+1 y Δv k n+1 son hallados a partir de: 2.3 Redes neuronales Artificiales - Perceptrón multicapa 11 [ −F(xkn+1,vkn+1) −G(xkn+1,vkn+1) ] = [ ∂F ∂x ∂F ∂v ∂G ∂x ∂G ∂v ][ Δxkn+1 Δvkn+1 ] (2.16) Los valores del jacobiano J en la ecuación anterior se hallan para xkn+1 y v k n+1, y este tiene la siguiente estructura: J = [ ∂F ∂x ∂F ∂v ∂G ∂x ∂G ∂v ] = [ AD BD CD (Y+YD) ] (2.17) Las matrices AD, BD, CD y YD dependen de los modelos de los elementos dinámicos del sis- tema y las cargas estáticas no lineales. Las ecuaciones 2.13 y 2.14 pueden expresarse en términos de las matrices como: ADΔxkn+1 +BDΔv k n+1 = −F(xkn+1,vkn+1) (2.18) CDΔxkn+1 +(Y+YD)Δv k n+1 = −G(xkn+1,vkn+1) (2.19) A partir de estas ecuaciones es posible hallar Δxkn+1 y Δv k n+1 a partir de: Δxkn+1 = −A−1D [ Fkn+1 +BDΔv k n+1 ] (2.20) (Y+YD−CDA−1D BD)Δvkn+1 = −Gkn+1 +CDA−1D Fkn+1 (2.21) Finalmente teniendo estos valores se hallan xk+1n+1 y v k+1 n+1 a partir de la ecuación 2.15. Hay que tener en cuenta que el procedimiento anterior es válido cuando las funciones F y G son diferencia- bles. Cuando ocurre una discontinuidad tal como una falla u operación de interruptores, solamente se resuelven las ecuaciones de red para corregir los valores del vector v en el instante en que ocurre la perturbación, el vector de estado x no se cambia. Luego se continúa con el proceso de integración implícita. 2.3. Redes neuronales Artificiales - Perceptrón multicapa En esta sección se presentan brevemente algunos de los aspectos más relevantes de las redes neuronales artificiales (ANN, Artificial neural networks), utilizados para el desarrollo de la in- vestigación aquí presentada. Una información más completa sobre ANN puede ser encontrada en [S. Rusell, 2002; Looney, 1996; Haykin, 1994]. 2.3 Redes neuronales Artificiales - Perceptrón multicapa 12 2.3.1. Aspectos Básicos Las ANN son caracterizadas por su arquitectura, algoritmos de entrenamiento o aprendizaje y funciones de activación. La arquitectura describe básicamente las conexiones entre las neuronas y consiste de una capa de entrada, una capa de salida y generalmente, una o varias capas ocultas entre éstas. En la figura 2.1 se muestra una de las redes comúnmente usadas, llamada, la red neural artificial de propagación hacia delante (feed-forward ANN), con una capa oculta. Las capas en esta red son interconectadas por enlaces de comunicación que son asociados con pesos, los cuales establecen los efectos en la información que pasa a través de ellos. Estos pesos son determinados por el algoritmo de entrenamiento [Aranguren y Muzachiodi, 2003]. Figura 2.1: Red Neuronal típica con una capa oculta Dependiendo del algoritmo de entrenamiento las ANN pueden ser categorizadas en: a)Redes de pesos fijos, las cuales no necesitan ningún tipo de entrenamiento; b)Redes no supervisadas, que se entrenan para un ajuste de pesos en las conexiones a partir de sólo los datos de entrada; c)Redes supervisadas que son las más comúnmente empleadas y que utilizan en el entrenamiento los datos de entrada y salida para actualizar los pesos y umbrales (bias). El perceptrón multicapa (MLP, Multi-Layer Perceptron) está dentro de esta última categoría. La función de activación relaciona la salida de una neurona ante sus entradas, a partir del nivel de actividad de cada una de las entradas de la neurona. Algunas de las funciones comúnmente utilizadas son: escalón (umbral), lineal mixta, identidad, sigmoidal y tangente hiperbólica [Haykin, 1994]. El proceso de aprendizaje de la red perceptrón multicapa involucra el empleo de los datos de entrada y salida para determinar los pesos y umbrales. Una de las técnicas utilizadas para obtener estos parámetros es el algoritmo “back-propagation” [Haykin, 1994; Aranguren y Muzachiodi, 2003]. En este método, los pesos y umbrales son ajustados iterativamente para lograr un mínimo 2.3 Redes neuronales Artificiales - Perceptrón multicapa 13 error cuadrático medio entre la salida de la red y el valor deseado, tal como se presenta en la sección de pruebas y resultados. 2.3.2. Estrategia básica de ajuste del MLP El perceptrón multicapa es la red neuronal más comúnmente utilizada en aplicaciones tales como reconocimiento de patrones, control, clasificación, entre las más importantes [yuen Chow y Thomas, 1989]. Los pasos seguidos por la estrategia básica de ajuste, en la mayoría de aplicaciones reportadas y aplicado en esta investigación se presentan a continuación: 2.3.2.1. Selección de las entradas y extracción de las características Este es el primer paso para cualquier problema de reconocimiento de patrones y consiste básica- mente en la determinación de cuales de las variables disponibles (posibles entradas), tienen alguna relación con lo que se desea identificar (clase como salida). Este paso es importante ya que define tanto el desempeño como el tamaño de la ANN. 2.3.2.2. Definición de los datos de entrenamiento La definición del conjunto de datos de entrenamiento es importante, ya que éstos deben contener información sobre todas las salidas posibles que se desean identificar. Los datos de entrenamiento ayudan a determinar los parámetros de la red. 2.3.2.3. Selección de la ANN En este paso se define el tamaño y arquitectura de la red (número de neuronas, entradas, ca- pas ocultas, neuronas ocultas, etc.). Este paso se puede realizar antes de iniciar el ajuste de la red, aunque recientemente hay otras metodologías propuestas que permiten variaciones en la arquitec- tura en función de un mejor desempeño [Mora y Pérez, 2006]. 2.3.2.4. Entrenamiento de la ANN En este proceso, a partir de la presentación de datos de entrada (variables) y de datos de sa- lida (clases a reconocer), tomados del conjunto de entrenamiento, se establece una relación entre entradas y salidas. Esta relación es del tipo “caja negra”, es decir que ésta no se puede presentar de manera explicita, lo que constituye una de las desventajas de las redes neuronales. En el entre- namiento, comúnmente los pesos y umbrales de la red son actualizados solamente después de que la totalidad del conjunto de datos ha sido aplicado a la red. 2.3 Redes neuronales Artificiales - Perceptrón multicapa 14 2.3.2.5. Prueba Utilizando datos diferentes a los utilizados en el entrenamiento, se puede obtener un índice de confianza en la red neuronal. Uno de los índices más utilizados es el que se presenta en la ecuación (2.22), y está dado para el caso en el cual la salida puede tomar muchos valores o clases y es de carácter discreta. con f ianza = Datosde prueba − Datosbienclasi f icados datosde prueba (2.22) Para el caso donde hay una sola salida, se utiliza como índice de medición el error medio cuadrático entre la salida deseada y la obtenida. Este índice es el que se utiliza en esta aplicación, tal como se presenta en la ecuación (2.23) Eerror mediocuadrático = √√√√√√ N ∑ i = 1 (DiReal−DiEstimado)2 N (2.23) Donde N es el número total de muestras comparadas, y Di corresponde al dato i-esimo real y estimado por la ANN en el proceso de prueba, respectivamente. Capítulo 3 Redes Neuronales aplicadas al modelado de la máquina síncrona El presente capítulo tiene como fin revisar una recopilación de los trabajos mas relevantes en el área de identificación del modelo de la máquinasíncrona basado en técnicas de inteligencia artificial, en especial redes neuronales. Se distinguen dos categorías según se apliquen la redes neuronales, la primera para estimación de los parámetros del modelo matemático de la máquina y la segunda para reemplazar el modelo matemático de la máquina por un modelo del tipo caja negra basado en técnicas heurísticas. Este capítulo se centra en la segunda categoría por ser una alternativa más atractiva para aplicaciones en tiempo real. Se destacan las redes tipo perceptrón multicapa (MLP, Multilayer Perceptron) y redes de función de base radial (RBF, Radial Basis Function) para la identificación en línea de la dinámica de la máquina síncrona. Sus características ofrecen una rápida convegencia y alta adaptación ante los cambiantes sistemas de potencia en busca de aplicaciones en tiempo real. 3.1. Modelado de la máquina síncrona Las máquinas síncronas son ampliamente utilizadas en el sector industrial y juegan un papel muy importante en la estabilidad de los sistemas de potencia. Un apropiado modelo para la máquina síncrona es esencial para un análisis valido de estabilidad y funcionamiento dinámico del sistema. Casi ocho décadas después de la primera publicación en esta área [Kilgore, 1931; Wright, 1931], el tema aun sigue siendo una atractiva y desafíante materia de investigación. Muchos modelos de la máquina síncrona han sido desarrollados a través de los años emplean- do diversas aproximaciones y enfoques para soslayar principalmente la sobrecarga computacional asociada a la compleja dinámica y no linealidad inherentes a la representación a gran escala. Pro- bablemente el modelo más simple disponible de la máquina síncrona usado para estudios de esta- bilidad[Grainger y Stevenson, 1995; Kundur, 1994], es el que describe una sola máquina síncrona 15 3.1 Modelado de la máquina síncrona 16 conectada a una barra infinita, basado en la ecuación de oscilación, usando el ángulo de oscilación y la velocidad del rotor como variables de estado. Un modelo de descomposición de flujo, el cual in- cluye una o más variables de estado, adicionalmente a las variables de estado usadas en la ecuación de oscilación, fue ampliamente usado por [DeMarco y Qian, 1986]. Sin embargo, cuando es nece- sario un incremento en la complejidad de la representación, comúnmente es utilizado un modelo de cinco o siete variables de estado para una máquina síncrona trifásica. [Fitzgerald et al., 1990] Modelos simples de la máquina son buenos para propósitos de análisis académico pero no lo suficientemente exactos para predecir el desempeño de la máquina en aplicaciones reales para propósitos de control y evaluación de estabilidad en sistemas de potencia. En tales situaciones, las no linealidades en la máquina, a causa de los efectos de saturación y flujo ligado, deben ser adheri- dos al modelo de la máquina [Anderson y Fouad, 1997; Kundur, 1994]. Estudios más completos sobre las propiedades de la máquina síncrona, los cuales detallan el modelo de los excitadores, proporcionan modelos más completos y complicados que están siendo cada vez más desarrolla- dos para proveer una representación cada vez más exacta. Desafortunadamente, a medida que la complejidad en los modelos aumenta, estos se hacen inapropiados para aplicaciones en línea y en tiempo real.[yuen Chow y Thomas, 1989] En un sistema de potencia una máquina síncrona es un dispositivo no lineal de acción rápida de múltiples entradas y múltiples salidas. Dado su amplio rango de operación, dinámica com- pleja, no-linealidad y la configuración cambiante del sistema, la simulación para el análisis del sistema y evaluación de la estabilidad requiere un modelo muy exacto y por ende exige un al- to costo computacional. La idea de las redes neuronales originada en la década de los cuarenta, ha sido ampliamente empleada en aplicaciones del sector eléctrico y mas específicamente en el modelado de la máquina síncrona demostrando que son una alternativa viable para la solución del problema en cuanto a exigencia computacional como también complejidad del modelo [yuen Chow y Thomas, 1989; Teeuwsen et al., 2004]. Las propiedades fundamentales de las redes neuronales deben ser cuidadosamente examinadas para determinar: a) Si el modelo de la red neural puede ser entrenado en base a medidas disponibles de la máquina en ejecución para diferentes condiciones de operación, b) cuales deben ser los patrones de entrenamiento para el modelo de representación de la máquina síncrona, c) la adaptación del modelo basado en redes neuronales a los modelos matemáticos existentes y bien desarrollados del generador síncrono para propósitos de evaluación de desempeño y valoración de la estabilidad dinámica, y d) el modelo basado en redes neuronales debe poder generalizar a partir de los casos de entrenamiento y responder con exactitud para los casos que no han sido entrenados [Tsai y Keyhani, 1995]. Sin embargo, existen una gran canti- dad de publicaciones respecto al empleo de redes neuronales en el proceso de modelamiento de la máquina síncrona y recientemente la aplicación de estas ha incrementado considerablemente. Adi- cionalmente, la utilización de redes neuronales requiere la determinación de parámetros propios y arquitecturas definidas que a través del tiempo han sido propuestas y probadas en el modelamiento de la máquina [Park et al., 2002; Park et al., 2005]. Por lo tanto, se hace necesaria una recopilación 3.2 Métodos Tradicionales 17 bibliográfica respecto al empleo de la redes neuronales en el modelamiento de la máquina síncrona la cual sirva como guía para todo aquel que desee emplear esta técnica de inteligencia artificial u afines en el proceso de la representación de la máquina síncrona para propósitos de evaluación de estabilidad y análisis de sistemas de potencia. 3.2. Métodos Tradicionales El modelo de Park, un modelo ampliamente utilizado y bien documentado, transforma el esta- do de la máquina trifásica balanceada a un marco de referencia rotante (marco de Park) [Kundur, 1994]. Este modelo es la base de la mayoría de los métodos tradicionales desarrollados para el modelamiento de la máquina síncrona. Los métodos tradicionales de modelado de la máquina sín- crona están bien especificados en el estándar IEEE 115 [1995, 1995]. Estos métodos asumen una estructura conocida para la máquina síncrona, usando teorías establecidas adecuadamente como la transformación de Park. Estas dirigen el problema a encontrar los parámetros de la estructura conocida. Usualmente los procedimientos envuelven dificultad y pruebas que consumen gran can- tidad de tiempo. Estas aproximaciones incluyen la prueba de corto circuito, las pruebas de respues- ta en frecuencia con rotor parado (SSFR) y respuesta en frecuencia de circuito abierto (OCFR). Estas pruebas deben ser llevadas a cabo principalmente cuando la máquina esta fuera de servi- cio.[Molenaar et al., 2002; Ravan et al., ] Para vencer los defectos en los métodos tradicionales, métodos de identificación basados en medidas en línea han ganado atención durante los últimos años [Chen et al., 1990; Pilluta y Key- hani, 1999; H. Bora Karayaka y Selin, 2001; Park et al., 2002; Ravan et al., ; Teeuwsen et al., 2004; Boozari, 2004; Park et al., 2005; Wei-Feng y Shi-Long, 2005; Wang et al., 2006; Ye et al., 2006; Angel et al., 2007b; Angel et al., 2007a]. Estos métodos pueden ser divididos en dos categorías. En la primera categoría (sección 3.3), los parámetros físicos de la máquina son estimados a partir de medidas en línea, asumiendo una estructura conocida para la máquina síncrona (igual que los métodos tradicionales). La segunda categoría (sección 3.4), trata de modelar el generador síncrono como una caja negra usando datos de entrada y salida. En los modelos del tipo caja negra la estruc- tura del modelo se asume como desconocida desde el principio. Sólo es importante la relación del conjunto de datos de entrada con el conjuntode datos de salida. 3.3. Estimación de parámetros de la máquina síncrona La estimación de parámetros de la máquina síncrona tiene múltiples aplicaciones. Básicamente el empleo de redes neuronales en esta área tiene como fin adherir complejidad y exactitud al modelo de la máquina síncrona sin abandonar la representación matemática con una estructura definida. En la figura 3.1 se presenta un esquema del proceso de estimación de parámetros de la máquina 3.3 Estimación de parámetros de la máquina síncrona 18 Figura 3.1: Estimación de parámetros de la máquina síncrona. síncrona empleando redes neuronales artificiales. En [Tsai y Keyhani, 1995] se presenta un modelo del generador síncrono de polos salientes que tiene en cuenta los efectos de saturación, utilizando un modelo basado en redes neuronales del tipo feed-forward, que incluye diversas condiciones de carga de la máquina, diferentes niveles de excitación y ángulos del rotor. Se estudia la característica no lineal de una máquina síncrona trifásica de polos salientes y valores nominales de 5KVA y 240 V, entrenando la red neuronal artificial (ANN) con datos de respuesta a pequeñas perturbaciones y el algoritmo de estimación de máxima probabilidad. El algoritmo Back-propagation es utilizado como algoritmo de aprendizaje. Como resultado [Tsai y Keyhani, 1995] obtiene que el modelo desarrollado con la red neuronal brinda la posibilidad de ser empleado para estudios de estabilidad transitoria requiriendo pequeñas modificaciones computacionales en la representación del modelo de saturación. De manera similar [Pilluta y Keyhani, 1999] emplea redes neuronales para estimación de paráme- tros de un generador síncrono de rotor cilíndrico. Se consideran los efectos debidos al nivel de excitación, ángulo del rotor y potencia real generada. El entrenamiento de la red también se hace con datos reales de la máquina para pequeñas perturbaciones, sin embargo a diferencia de [Tsai y Keyhani, 1995] el modelo es validado con otros datos y grandes perturbaciones. Las propuestas presentadas en [Tsai y Keyhani, 1995; Pilluta y Keyhani, 1999] usan las redes neuronales para es- timar el efecto de la saturación de la máquina reflejado en las inductancias Ladsy Laqs . Por tanto, no se abandona el modelo matemático solo se modifica la manera en que se hallan las reluctancias para cada paso de tiempo en la simulación. Se resalta el uso de las componentes de eje directo y cuadratura de la tensión y corriente en terminales y la corriente de excitación como patrones de entrada a la red neuronal. Por otro lado, una propuesta para la estimación de los principales parámetros del rotor de un generador síncrono de una gran turbina a vapor basada en redes neuronales es presentada en [H. Bora Karayaka y Selin, 2001]. Se emplean datos reales para el entrenamiento que correspon- den con diferentes condiciones de carga y niveles de excitación. Como entrada se utilizan la media 3.4 Representación de la dinámica de la máquina síncrona: modelo de caja negra 19 y desviación estándar del ángulo de potencia y la corriente de excitación. El desempeño de la es- timación de parámetros es validado con simulación exhaustiva en el tiempo y comparación con los valores de fábrica del generador. Se demuestra que los modelos basados en redes neuronales interpolan correctamente entre los patrones no usados durante el entrenamiento. 3.4. Representación de la dinámica de la máquina síncrona: modelo de caja negra Como primera aproximación al modelo de caja negra de la máquina síncrona en [yuen Chow y Thomas, 1989] se emplea una red multicapa para representar el modelo no lineal de una máquina síncrona. Esta propuesta utiliza el vector de control de la representación del espacio de estados (Uk) y el vector de salida (Yk) para predecir el vector de estados siguiente (Xk+1). Se presenta resultados para el caso más sencillo, un generador síncrono conectado a una barra infinita sin consideran los efectos de saturación y suponiendo el sistema balanceado. En [yuen Chow y Thomas, 1989] presentan resultados para 10 y 20 neuronas en la capa oculta con lo cual concluye que el modelo desarrollado se aproxima y puede ser mejorado al determinarse un número de neuronas óptimo. Uno de los principales problemas a la hora de determinar un modelo de la máquina síncrona basado en la relación de entradas y salidas es la determinación del conjunto de señales de entrada consideradas para la obtención resultados satisfactorios en la predicción de salida. En relación al conjunto de entrada de datos, el uso de la teoría de los conjuntos aproximados (RST, Rough Set Theory) es estudiada en [Wang et al., 2006] para determinar el conjunto mínimo de patrones útiles de entrada a una red neuronal de función de base radial (RBF, Radial Función Basis), esta propuesta es utilizada para modelar el comportamiento dinámico no lineal de un generador síncrono de una embarcación a partir de datos reales. Como resultado el modelo basado en la metodología que combina RST y RBF posee gran exactitud y una alta capacidad de generalización. En el estudio del modelado de la dinámica de la máquina síncrona muchas arquitecturas de redes neuronales han sido empleadas, mas aún, algunas arquitecturas han sido propuestas para aplicaciones específicas derivadas de la investigación en este campo. Un nuevo tipo de red neuronal fue propuesto por [Wei-Feng y Shi-Long, 2005] y aplicado en el modelamiento de un generador síncrono de la marina para la simulación en tiempo real. La red usa un algoritmo back-propagation para la adaptación de los pesos de la red. Las entradas utilizadas para la red son la potencia del torque mecánico y la corriente de excitación, las salidas: la frecuencia y la tensión en terminales del generador. [Wei-Feng y Shi-Long, 2005] prueba que los datos obtenidos con la red propuesta son muy cercanos a los datos del simulador de la marina (Error Medio Cuadrático MSE mucho menor que 10−3) y además comparada con otras redes (MLP, Multilayer perceptron), el numero de neuronas en la capa oculta es menor obteniendo una buena generalización. Modelos de identificación global en línea del ge-nerador síncrono son ampliamente desarro- 3.4 Representación de la dinámica de la máquina síncrona: modelo de caja negra 20 Figura 3.2: Esquema empleado en [Park et al., 2002] para la identificación en linea de la dinámica no lineal del generador síncrono llados y analizados. [Park et al., 2002] compara el desempeño de una red tipo MLP (Multilayer Perceptron) frente a una RBF (Radial Function Basis), para la identificación en línea de la dinámi- ca no lineal de un generador síncrono. se emplea la variación de las señales a partir de los valores de estado estable. Se investigan las implicaciones en la complejidad computacional para el proce- samiento de los datos en el entrenamiento en linea, la generalización y la convergencia global para simulaciones en el tiempo. En la figura 3.2 se presenta el esquema empleado por [Park et al., 2002] en la comparación de las redes tipo MLP y RBF. Los resultados de las simulaciones muestran que comparada al MLP, la RBF es más simple de implementar, necesita menos memoria de computo, converge más rápido, y logra la convergencia global aun cuando las condiciones de operación cam- bian. Sin embargo, años más tarde los mismos autores publican de nuevo en [Park et al., 2005], la comparación de los modelos basados en MLP y RBF para la representación de la dinámica del generador síncrono solo que esta vez el generador es analizado como parte de un sistema de po- tencia y el modelo de excitación de la máquina y la turbina son considerados. El estudio también se basa en simulaciones en el dominio del tiempo para evaluar los requerimientos computacionales en el procesamiento de los datos durante el entrenamiento en línea, la convergencia local y global en línea. A diferencia de [Park et al., 2002] en [Park et al., 2005] se usan señales y variaciones delas mismas, correspondientes a la potencia mecánica, la corriente de excitación, la frecuencia y la tensión de la máquina, como entradas del identificador, y se predice la variación en la velocidad y la tensión en terminales del generador. De [Park et al., 2005] se concluye que ambos identifi- cadores se comportan bien. Sin embargo, pese a que las RBF presentan mejores características de desempeño, si solo se usan variaciones de la señales como entradas del identificador, la red MLP 3.4 Representación de la dinámica de la máquina síncrona: modelo de caja negra 21 es recomendada, pues la RBF requiere cálculos extra como por ejemplo hallar las funciones cen- trales. Adicionalmente para la implementación hardware en tiempo real, el identificador MLP es preferido, pues los esfuerzos para determinar los centros de la RBF pueden ser evitados. La representación de la máquina síncrona comúnmente tiene como finalidad el estudio de la estabilidad en los sistemas de potencia. Aplicaciones a la valoración de la estabilidad ante pertur- baciones de pequeña señal son propuestas en [Teeuwsen et al., 2004; Dong, 1998; Vittal et al., 2005]. Específicamente en [Teeuwsen et al., 2004], se propone un método para la predicción de los modos críticos (Eigenvalores) empleados en la valoración de estabilidad de sistemas de potencia basado en redes neuronales. Esta publicación se enfoca especialmente en las oscilaciones presentes entre áreas de grandes sistemas interconectados. Se reduce el numero de variables de estado para la predicción de los eigenvalores y así obtener la condición de estabilidad del sistema con gran exac- titud (menor al 3.5% para el peor caso). Sin embargo, los estudios de estabilidad a pequeña señal no son de gran reto. La complejidad numérica presente en el estudio de estabilidad ante grandes perturbaciones tiene especial interés. El modelo no lineal de la máquina junto con la interconexión de una gran número de generadores en un sistema de potencia representa un verdadero reto y es el punto de mayor interés para utilizar modelos basados en métodos heurísticos y especialmente redes neuronales. Las aplicaciones de las redes neuronales al estudio de estabilidad transitoria de ángulo ante grandes perturbaciones han incrementado en los últimos años [Koester et al., 1992; Pavella et al., 2000; Boozari, 2004; Morales et al., 2006; Ye et al., 2006; Angel et al., 2007a; Angel et al., 2007b]. [Angel et al., 2007a] propone utilizar redes neuronales para determinar el ángulo del rotor para estudios de estabilidad transitoria de ángulo. La novedad de este aporte reside en el empleo de me- didas fasoriales de tensión y corrientes tomadas en el lado de alta del sistema de potencia, como entradas de la red neuronal. Se demuestra que la estimación directa del ángulo no produce resulta- dos satisfactorios y se propone la implementación de dos redes neuronales para determinar el seno y el coseno del ángulo, lo cual produce buenos resultados. La red MLP es entrenada fuera de línea basada en datos de simulación y es puesta a prueba en aplicaciones en tiempo real en la predicción y control de inestabilidad transitoria. De igual forma, [Angel et al., 2007b] presenta una metodología basada en redes neuronales para la estimación del ángulo y la velocidad del rotor aplicable a es- tudios de estabilidad transitoria y control en tiempo real. Como aporte se considera el uso de dos redes neuronales para tal fin, una red estima el ángulo del rotor y la otra, utilizando adicionalmente el valor predicho del ángulo del rotor estima la velocidad de la máquina. Se presentan resultados para un sistema de una máquina conectada a una barra infinita utilizando el método planteado y comparandolo con los resultados al emplear el modelo clásico de la máquina síncrona. Debido a que el empleo de las redes neuronales en la representación del modelo de la máquina síncrona tiende a ser predictivo, en [Boozari, 2004] es estudiada la manera de utilizar técnicas de predicción y filtrado de estados para construir una red neuronal de retardo (TDNN, Time Delay Neural Network) y una red de interrelación funcional (FLN, Functional Link Network) para cap- 3.5 Otras técnicas de inteligencia artificial empleadas en el mo-delado de la máquina síncrona 22 turar la dinámica del sistema de potencia. Adicionalmente se desarrolla una herramienta basada en redes neuronales para determinar la estabilidad e inestabilidad del sistema luego del despeje de una falla. El método híbrido empleando redes neuronales (TDNN y FLN) es puesto en practica para evaluar exitosamente la función de energía transitoria (TEF, Transient Energy Function) como indicador de seguridad. 3.5. Otras técnicas de inteligencia artificial empleadas en el mo- delado de la máquina síncrona Es común encontrar en la literatura aplicaciones de la redes neuronales para el modelamiento de la máquina síncrona y la dinámica del sistema de potencia. Sin embargo esta técnica heurística no es la única. El empleo de otras técnicas de inteligencia artificial en aplicaciones del sector eléctrico, tales como la técnica de los K-vecinos mas cercanos (K-NN, K-Nearest Neighbor) [Barrera et al., 2007a] y las máquinas de soporte vectorial (SVM, support machine vector) [Morales y Gómez, 2005; Morales et al., 2007b] entre otras [Morales et al., 2009; Mora, 2006], muestran que las redes neuronales no son la única solución, sin embargo son una gran alternativa. En la determinación de la dinámica de la máquina síncrona empleada para estudios de estabili- dad se resalta la propuesta presentada en [Ye et al., 2006], la cual consiste en aplicar la SVM para determinar la estabilidad transitoria de un sistema de potencia ante el evento de una falla en las lineas de transmisión. Estrictamente se emplea una estrategia de clasificación basada en SVM para determinar si el sistema es estable o inestable (2 clases). Las entradas del clasificador consisten de atributos tomados de una sola máquina del sistema de potencia, con el fin de disminuir la dimen- sionalidad del espacio de entrada. Se realizan pruebas con el sistema de prueba de la IEEE de 50 generadores y se muestra que los atributos tomados de una máquina con coeficiente de inercia pe- queño son efectivos para la evaluación de la estabilidad en sistemas de potencia, empleando SVM y kernel RBF. A la búsqueda de la identificación de un modelo de tipo caja negra para la máquina síncrona se suma la propuesta presentada en [Ravan et al., ]. Esta publicación explora la manera de utilizar redes wavelet para identificar la dinámica del generador síncrono basado en el éxito de las redes wavelet para el modelado de sistemas dinámicos no lineales [Liu et al., 1998]. El método propuesto es aplicado sobre un modelo no lineal de séptimo orden de la máquina síncrona con efectos de saturación. En este estudio la tensión de campo es considerada como la entrada y la potencia activa de salida y la tensión en terminales de la máquina se consideran las salidas del generador síncrono. Los resultados muestran una buena aproximación del modelo identificado, aun ante condiciones diferentes de operación. Capítulo 4 Modelo neuronal de la máquina síncrona para estudios de estabilidad En este capítulo, se presenta la metodología propuesta para la obtención de una red neuronal del tipo perceptrón multicapa que reproduzca la dinámica de la máquina síncrona y su aplicación al estudio de estabilidad de ángulo ante gran perturbación en sistemas eléctricos de potencia. 4.1. Modelo neuronal clásico de la máquina síncrona En esta sección se presenta la utilización de redes neuronales del tipo perceptrón multicapa (MLP) en la estimación de las principales variables que representan el modelo clásico de la máquina síncrona mediante la aplicación de un modelo tipo caja negra, desarrollado a partir de medidas de tensión y corriente en terminales de la misma. Los registros obtenidos de simulaciones en el dominio del tiemporealizados sobre un sistema de potencia básico (generador conectado a un barraje infinito), son utilizados para crear la base de datos de entrenamiento y posteriormente validar la metodología basada en redes neuronales artificiales propuesta para la reproducción de la dinámica de la máquina síncrona. 4.1.1. Modelo clásico de la máquina síncrona En el caso de estudios en los cuales el periodo de análisis es pequeño en comparación con la constante de tiempo transitoria de circuito abierto, el modelo de la máquina síncrona es fre- cuentemente simplificado asumiendo E’ constante, a través de todo el periodo de estudio. Otra aproximación común, simplifica el modelo de la máquina significativamente al ignorar el efecto transitorio de los polos salientes asumiendo X’d = X’q = X’, y también considera que el flujo li- gado al circuito de amortiguamiento permanece constante (asociado con el eje q del circuito del rotor correspondiente con X’q). La representación clásica de la máquina síncrona en estudios de estabilidad es entonces, como se muestra en [Kundur, 1994], una fuente de tensión de magnitud 23 4.1 Modelo neuronal clásico de la máquina síncrona 24 constante detrás de la impedancia transitoria (Ra + j X’), el ángulo de la fuente se varía durante la simulación para representar el deslizamiento de los polos. El modelo se ilustra en la figura 4.1, el hecho de suponer que las reactancias transitorias de eje directo y eje en cuadratura son iguales es más crítico para máquinas de polos salientes, ya que el período transitorio en el eje en cuadratura no está claramente definido para la mayoría de estas máquinas. Por tanto, la parte eléctrica de la máquina síncrona queda descrita por la ecuación: E’ = Et +(Ra + j ·X’) · It (4.1) Et ItRa X’ E’ Figura 4.1: Modelo clásico de la máquina síncrona Considerando que los encadenamientos de flujo de los circuitos del rotor que tienen incidencia en el periodo transitorio permanecen constantes, el fasor correspondiente a la tensión detrás de la reactancia transitoria permanece fijo respecto a los ejes directo y en cuadratura de la máquina. Esto permite tomar el ángulo de este fasor como medida del ángulo del rotor. La representación clásica de la máquina síncrona en estudios de estabilidad considera dos variables de estado: ángulo del rotor y desviación en la velocidad del rotor. Entonces, para el modelo clásico, las dos ecuaciones que representan la dinámica de cada máquina son: dΔω dt = 1 2H (Tm−Te−KDΔω) (4.2) dδ dt = ωoΔω (4.3) donde Δω = desviación de velocidad rotórica, pu δ = ángulo del rotor, radianes eléctricos H = constante de inercia de la máquina, s Tm = par mecánico, pu Te = par eléctrico, pu ωo = velocidad angular nominal, radianes eléctricos/s 4.1 Modelo neuronal clásico de la máquina síncrona 25 KD = Coeficiente de torque amortiguante, pu. Estas dos ecuaciones 4.2 y 4.3, junto con la representación de fuente de tensión detrás de la impedancia transitoria (4.1), constituyen el modelo clásico de la máquina síncrona en estudios de estabilidad. El valor inicial del ángulo del rotor para cada máquina es el valor del ángulo de la tensión detrás de la reactancia transitoria, que puede ser calculado a partir de los datos del flujo de cargas que representan la condición inicial de equilibrio. Es importante resaltar que el modelo clásico desprecia los transitorios del estator de la máquina así como la dinámica de los circuitos del rotor. La primera simplificación que inclusive se adopta en modelos más detallados de la máquina es necesaria para estudios en sistemas de gran dimensión y ha sido justificada satisfactoriamente, de otro lado la segunda simplificación constituye la limitante principal del modelo clásico. 4.1.2. Desarrollo del modelo neuronal clásico El propósito de la ANN (Artificial Neural Network) planteada consiste en predecir el ángulo del rotor de la máquina síncrona para un instante t, empleando la tensión y corriente en terminales de la máquina en instantes previos. A continuación se presentan los aspectos más importantes para el ajuste de la red neuronal. Como entradas de la red neuronal se seleccionaron la componente real e imaginaria de la tensión y la corriente en los terminales de la máquina en los instantes (t-1), (t-2) y (t-3). La salida del modelo basado en la red neuronal consiste en una neurona que representan el ángulo del rotor para un punto de operación específico, tal como se expresa en 4.4 [δ (t)] = f { EtR(t− i ·�t), EtI(t− i ·�t), ItR(t− i ·�t), ItI(t− i ·�t), } i = 1,2, ...Ni. (4.4) Donde EtR(t− i ·�t), yEtI(t− i ·�t) corresponden al componente real e imaginario de la ten- sión en terminales de la máquina en el instante (t− i ·�t) con i=1,2,.., Ni y�t es el paso de tiempo empleado en la simulación. Por otro lado, ItR(t− i�t), yItI(t− i�t) representan el componente real e imaginario de la corriente en los mismos instantes de tiempo. Este conjunto de entradas es selec- cionado para obtener una salida que corresponde al ángulo del rotor de la máquina (δ ) en el tiempo t. El parámetro Ni, representa la cantidad de valores previos necesarios de cada variable de entrada de la red neuronal para estimar el valor de la salida en el instante t. Este parámetro es obtenido, junto con los demás que definen la arquitectura de la red neuronal, en la etapa de entrenamiento, según se describe en la sección 4.4. En la figura 4.2 se presenta la red empleada para los propósitos de estimar el ángulo del rotor de la máquina síncrona, lo cual se ha denominado aquí como el modelo neuronal clásico de la máquina síncrona. En la sección 5.1, se presentan los resultados obtenidos para este modelo neuronal. La desviación de la velocidad del rotor de la máquina no es estimada por la red neuronal, principalmente porque se puede obtener a partir de los valores del ángulo del rotor (δ ), tomando 4.2 Modelo neuronal de quinto orden de la máquina síncrona 26 δ(t) EtR(t-i) ... ... ... ... ... ... { EtI(t-i) { ItR(t-i) { ItI(t-i) { Figura 4.2: Red neuronal artificial propuesta para el modelo neuronal clásico una aproximación numérica de la ecuación 4.3, la cuál se expresa como: dδ dt = ωoΔω ∼= �δ�t Por lo tanto, la desviación de la velocidad del rotor puede estimarse por: �ω(t)∼= 1ωo · �δ (t) �t (4.5) Donde �δ (t) = δ (t)−δ (t−�t), diferencia de ángulo del rotor, radianes eléctricos. �t = Paso de tiempo, s. ωo = velocidad angular nominal, radianes eléctricos/s. 4.2. Modelo neuronal de quinto orden de la máquina síncrona La metodología empleada para la creación del modelo neuronal clásico es adaptada para la obtención de un modelo tipo caja negra de la máquina síncrona que replique el modelo de quinto orden mediante el uso de redes neuronales del tipo perceptrón multicapa (MLP). La creación de la base de datos para el entrenamiento de la red neuronal se realizo con el paquete de computador HAGP (Herramienta Software para el Análisis de Estabilidad de Gran Perturbación de Sistemas Eléctricos de Potencia) elaborado por [Sierra, 2007; Sierra, 2003]. 4.2 Modelo neuronal de quinto orden de la máquina síncrona 27 4.2.1. Modelo de quinto orden de la máquina síncrona El modelo de quinto orden considerado es típico en la representación de generadores acoplados a turbinas hidráulicas [Sierra, 2007]. El modelo representa la dinámica de tres circuitos rotóricos, dos en el eje directo y uno en el eje en cuadratura, así como la inercia mecánica del rotor. Según lo descrito en el apéndice A.1, el modelo con tres circuitos rotóricos tendrá cinco variables de estado, dos variables que representan la dinámica del movimiento (δ ,�ω ) y las demás están definidas en la dinámica del circuito del rotor (ψ f d, ψ1d, ψ1q). Asociadas a estas variables de estado están las variables que representan la tensión en el estator, las cuales se pueden representar en el marco de referencia R-I según: [ ER EI ] = [ −RRR XRI −XIR −RII ][ IR II ] + [ E”R E”I ] (4.6) Donde los elementos
Compartir